关于深度学习:手把手教你使用LabVIEW-OpenCV-dnn实现物体识别Object-Detection含源码

11次阅读

共计 6932 个字符，预计需要花费 18 分钟才能阅读完成。

明天和大家一起分享如何应用 LabVIEW 调用 pb 模型实现物体辨认，本博客中应用的智能工具包可到主页置顶博客 LabVIEW AI 视觉工具包（非 NI Vision）下载与装置教程中下载

物体辨认 也称 指标检测，指标检测所要解决的问题是指标在哪里以及其状态的问题。然而，这个问题并不是很容易解决。状态不合理，对象呈现的区域不确定，更不用说对象也能够是多个类别。

指标检测用的比拟多的次要是 RCNN，spp- net，fast- rcnn，faster- rcnn；YOLO 系列，如 YOLOV3 和 YOLOV4；除此之外还有 SSD，ResNet 等。

Yolo 的辨认原理简略清晰。对于输出的图片，将整张图片分为 7×7（7 为参数，可调）个方格。当某个物体的中心点落在了某个方格中，该方格则负责预测该物体。每个方格会为被预测物体产生 2（参数，可调）个候选框并生成每个框的置信度。最初选取置信度较高的方框作为预测后果。

相干源码及模型在 darknt 文件夹下

应用 darknet 训练 yolo 的模型，生成 weights 文件。应用 opencv 调用生成的模型

文件含意：

cfg 文件：模型形容文件
weights 文件：模型权重文件

Yolov3 获取链接:
https://github.com/pjreddie/d…
https://pjreddie.com/media/fi…

Yolov4 获取链接:
https://github.com/AlexeyAB/d…
https://github.com/AlexeyAB/d…

（1）dnn 模块调用 darknet 模型

net = cv2.dnn.readNetFromDarknet("yolov3/yolov3.cfg", "yolov3/yolov3.weights")

（2）获取三个输入端的 LayerName

应用 getUnconnectedOutLayer 获取三个只有输出，没有输入的层的名字，Yolov3 的三个输入端层名为：[‘yolo_82’, ‘yolo_94’, ‘yolo_106’]

def getOutputsNames(net):
    # Get the names of all the layers in the network
    layersNames = net.getLayerNames()
    # Get the names of the output layers, i.e. the layers with unconnected outputs
    return [layersNames[i - 1] for i in net.getUnconnectedOutLayers()]

（3）图像预处理

应用 blobFromImage 将图像转为 image
Size=(416,416)或(608,608)
Scale=1/255
Means=[0,0,0]

blob = cv2.dnn.blobFromImage(frame, 1/255, (416, 416), [0,0,0], 1, crop=False)

（4）推理

应用 net.forward(multiNames)获取多个层的后果，其中 getOutputsNames(net)=[‘yolo_82’, ‘yolo_94’, ‘yolo_106’]

net.setInput(blob)
outs = net.forward(getOutputsNames(net))

（5）后处理（postrocess）

获取的后果（outs）外面有三个矩阵（out），每个矩阵的大小为 85*n，n 示意检测到了 n 个物体，85 的排列程序是这样的：

第 0 列代表物体核心 x 在图中的地位（0~1）
第 1 列示意物体核心 y 在图中的地位（0~1）
第 2 列示意物体的宽度
第 3 列示意物体的高度
第 4 列是相信概率，值域为[0-1]，用来与阈值作比拟决定是否标记指标
第 5~84 列为基于 COCO 数据集的 80 分类的标记权重，最大的为输入分类。应用这些参数保留置信度高的辨认后果(confidence>confThreshold)

def postprocess(frame, outs):
    frameHeight = frame.shape[0]
    frameWidth = frame.shape[1]
    classIds = []
    confidences = []
    boxes = []
    classIds = []
    confidences = []
    boxes = []
    for out in outs:
        for detection in out:
            scores = detection[5:]
            classId = np.argmax(scores)
            confidence = scores[classId]
            if confidence > confThreshold:
                center_x = int(detection[0] * frameWidth)
                center_y = int(detection[1] * frameHeight)
                width = int(detection[2] * frameWidth)
                height = int(detection[3] * frameHeight)
                left = int(center_x - width / 2)
                top = int(center_y - height / 2)
                classIds.append(classId)
                confidences.append(float(confidence))
                boxes.append([left, top, width, height])
    print(boxes)
    print(confidences)

（6）后处理（postrocess）

应用 NMSBoxes 函数过滤掉反复辨认的区域。

    indices = cv.dnn.NMSBoxes(boxes, confidences, confThreshold, nmsThreshold)  
    for i in indices:
        box = boxes[i]
        left = box[0]
        top = box[1]
        width = box[2]
        height = box[3]
        drawPred(classIds[i], confidences[i], left, top, left + width, top + height)

（7）画出检测到的对象

def drawPred(classId, conf, left, top, right, bottom):
    # Draw a bounding box.
    cv.rectangle(frame, (left, top), (right, bottom), (0, 0, 255))
     
    label = '%.2f' % conf
         
    # Get the label for the class name and its confidence
    if classes:
        assert(classId < len(classes))
        label = '%s:%s' % (classes[classId], label)
 
    #Display the label at the top of the bounding box
    labelSize, baseLine = cv.getTextSize(label, cv.FONT_HERSHEY_SIMPLEX, 0.5, 1)
    top = max(top, labelSize[1])
    cv.putText(frame, label, (left, top), cv.FONT_HERSHEY_SIMPLEX, 0.5, (255,255,255))

（8）残缺源码及检测后果（cv_call_yolo.py）

import cv2
cv=cv2
import numpy as np
import time
net = cv2.dnn.readNetFromDarknet("yolov3/yolov3.cfg", "yolov3/yolov3.weights")
net.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA)
net.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA)

confThreshold = 0.5  #Confidence threshold
nmsThreshold = 0.4   #Non-maximum suppression threshold
frame=cv2.imread("dog.jpg")
classesFile = "coco.names";
classes = None
with open(classesFile, 'rt') as f:
    classes = f.read().rstrip('\n').split('\n')

def getOutputsNames(net):
    # Get the names of all the layers in the network
    layersNames = net.getLayerNames()
    # Get the names of the output layers, i.e. the layers with unconnected outputs
    return [layersNames[i - 1] for i in net.getUnconnectedOutLayers()]
print(getOutputsNames(net))
# Remove the bounding boxes with low confidence using non-maxima suppression

def postprocess(frame, outs):
    frameHeight = frame.shape[0]
    frameWidth = frame.shape[1]
    classIds = []
    confidences = []
    boxes = []
    # Scan through all the bounding boxes output from the network and keep only the
    # ones with high confidence scores. Assign the box's class label as the class with the highest score.
    classIds = []
    confidences = []
    boxes = []
    for out in outs:
        for detection in out:
            scores = detection[5:]
            classId = np.argmax(scores)
            confidence = scores[classId]
            if confidence > confThreshold:
                center_x = int(detection[0] * frameWidth)
                center_y = int(detection[1] * frameHeight)
                width = int(detection[2] * frameWidth)
                height = int(detection[3] * frameHeight)
                left = int(center_x - width / 2)
                top = int(center_y - height / 2)
                classIds.append(classId)
                confidences.append(float(confidence))
                boxes.append([left, top, width, height])
 
    # Perform non maximum suppression to eliminate redundant overlapping boxes with
    # lower confidences.
    print(boxes)
    print(confidences)  
    indices = cv.dnn.NMSBoxes(boxes, confidences, confThreshold, nmsThreshold) 
    for i in indices:
        #print(i)
        #i = i[0]
        box = boxes[i]
        left = box[0]
        top = box[1]
        width = box[2]
        height = box[3]
        drawPred(classIds[i], confidences[i], left, top, left + width, top + height)

    # Draw the predicted bounding box
def drawPred(classId, conf, left, top, right, bottom):
    # Draw a bounding box.
    cv.rectangle(frame, (left, top), (right, bottom), (0, 0, 255))
    label = '%.2f' % conf    
    # Get the label for the class name and its confidence
    if classes:
        assert(classId < len(classes))
        label = '%s:%s' % (classes[classId], label)
    #Display the label at the top of the bounding box
    labelSize, baseLine = cv.getTextSize(label, cv.FONT_HERSHEY_SIMPLEX, 0.5, 1)
    top = max(top, labelSize[1])
    cv.putText(frame, label, (left, top), cv.FONT_HERSHEY_SIMPLEX, 0.5, (255,255,255))
blob = cv2.dnn.blobFromImage(frame, 1/255, (416, 416), [0,0,0], 1, crop=False)
t1=time.time()
net.setInput(blob)
outs = net.forward(getOutputsNames(net))
print(time.time()-t1)
postprocess(frame, outs)
t, _ = net.getPerfProfile()
label = 'Inference time: %.2f ms' % (t * 1000.0 / cv.getTickFrequency())
cv.putText(frame, label, (0, 15), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255))
cv2.imshow("result",frame)

（1）LabVIEW 调用 yolov3 的形式及步骤和 python 相似，源码如下所示：

将带辨认图片与 yolo_example.vi 置于同一门路下，即可进行物体辨认

（2）辨认后果如下：

（1）应用 GPU 减速

应用程序构造检测神经网络推理的工夫

比拟应用 GPU 和不应用 GPU 两种状况下的推理速度
一般模式：net.serPerferenceBackend(0)，net.serPerferenceTarget(0)
Nvidia GPU 模式：net.serPreferenceBackend(5)，net.serPerferenceTarget(6)

注：一般的 c ++、python、LabVIEW 版本的 opencv，即使选了 GPU 模式也没用，程序依然运行在 CPU 上，须要装置 CUDA 和 CUDNN 后从新从源码编译 opencv

（2）程序源码如下：

（3）物体辨认后果如下：

留神，应用如上程序，能够点击 STOP 按钮，进行本次物体辨认，也可勾选应用 GPU 进行减速
（4）应用 GPU 减速后果：

相干源码及模型在 tf1 文件夹下

（1）下载 ssd_mobilenet_v2_coco，下载地址如下：
http://download.tensorflow.or…

（2）解压后的文件内容

（3）依据 pb 模型生成 pbtxt 文件
运行 tf_text_graph_ssd.py 以生成 pptxt 文件
在 cmd 中运行：

python tf_text_graph_ssd.py --input ssd_mobilenet_v1_coco_2017_11_17/frozen_inference_graph.pb --config ssd_mobilenet_v1_coco_2017_11_17/ssd_mobilenet_v1_coco.config --output ssd_mobilenet_v1_coco_2017_11_17.pbtxt

（1）程序源码如下：

（2）运行后果如下：

链接：https://pan.baidu.com/s/1zwbL…
提取码：8888

能够应用 Yolov3 训练本人的数据集，具体训练方法可参考博客：https://blog.csdn.net/qq_3891…
可实现案例：口罩佩戴辨认、肺炎分类、CT 等，如口罩佩戴检测

更多对于 LabVIEW 与人工智能技术，可增加技术交换群进一步探讨。qq 群号：705637299，请备注暗号：LabVIEW 机器学习

正文完

深度学习

发表至：深度学习

2022-10-10

0

关于深度学习:论文介绍-FreeControl-无需额外训练实现文本到图像的空间操控

关于深度学习:启科量子解决方案实践使用-QuTrunkAmazon-Deep-Learning-AMI-构建量子神经网络

关于深度学习:渲染农场手动渲染和自助云渲染有什么区别

关于深度学习:实录-MegEngine-大-Kernel-卷积工程优化实践

关于开源:开源大数据热力报告-2022-入围项目公示

关于深度学习:手把手教你使用LabVIEW-OpenCV-dnn实现物体识别Object-Detection含源码

前言

一、物体辨认算法原理概述

1、物体辨认的概念

2、Yolo 算法原理概述

二、opencv 调用 darknet 物体辨认模型（yolov3/yolov4）

1、darknet 模型的获取

2、python 调用 darknet 模型实现物体辨认

3、LabVIEW 调用 darknet 模型实现物体辨认 yolo_example.vi

4、LabVIEW 实现实时摄像头物体辨认（yolo_example_camera.vi）

三、tensorflow 的物体辨认模型调用

1、下载预训练模型并生成 pbtxt 文件

2、LabVIEW 调用 tensorflow 模型推理并实现物体辨认（callpb.vi）

四、我的项目源码及模型下载

总结拓展

Just My Socks（注册教程内含优惠码）

关于深度学习:手把手教你使用LabVIEW-OpenCV-dnn实现物体识别Object-Detection含源码

前言

一、物体辨认算法原理概述

1、物体辨认的概念

2、Yolo 算法原理概述

二、opencv 调用 darknet 物体辨认模型（yolov3/yolov4）

1、darknet 模型的获取

2、python 调用 darknet 模型实现物体辨认

3、LabVIEW 调用 darknet 模型实现物体辨认 yolo_example.vi

4、LabVIEW 实现实时摄像头物体辨认（yolo_example_camera.vi）

三、tensorflow 的物体辨认模型调用

1、下载预训练模型并生成 pbtxt 文件

2、LabVIEW 调用 tensorflow 模型推理并实现物体辨认（callpb.vi）

四、我的项目源码及模型下载

总结拓展

Just My Socks（注册教程 内含优惠码）

Just My Socks（注册教程内含优惠码）